Cómo entrenar la tecnología de Edge Learning

Transcripción:

Hola, mi nombre es Tyler Ducharme, soy especialista en marketing técnico del equipo de productos In-Sight de Cognex. Hoy quisiera explicar cómo configurar una aplicación del sistema In-Sight 2800 con nuestra herramienta de clasificación ViDi EL.

En cuanto a mi configuración, tengo mi cámara inteligente In-Sight 2800 equipada con una luz y lentes integradas, que están conectadas a una fuente de alimentación de 24 voltios. Les mostraré cómo hemos simplificado las tareas de visualización gracias a nuestra nueva herramienta de clasificación ViDi EL combinada con la cámara inteligente In-Sight 2800. Esta es la herramienta de software In-Sight Vision Suite que usamos para configurar nuestras aplicaciones de In-Sight. Como ven, ya estoy conectado a la cámara inteligente In-Sight 2800. 

Para empezar, seleccionamos nuestra fuente. En este caso, solamente vamos a usar la cámara. Lo único que tenemos que hacer es configurar la iluminación y enfocar con dos simples clics de un botón. Hago un clic en la opción Optimizar iluminación para conseguir una imagen bien definida y otro clic en la opción Enfoque para conseguir nuestra imagen bien enfocada. El primer paso del entrenamiento de la herramienta de clasificación consiste en configurar la región de interés que deseamos inspeccionar. Una vez configurada la región, hago clic en Aceptar. Y lo que la herramienta va a hacer es mostrarme dos tipos de clases predeterminadas, Buena y No Pasa, es decir, inadmisibles. La herramienta asignará de forma automática una etiqueta a la categoría Buena, como primera imagen, de modo que en este momento tengo la pieza etiquetada como Buena justo bajo la cámara. Otra cosa que quisiera comentar es qué hacemos si la pieza no aparece en la imagen y no hay pieza. En este caso, lo interesante de nuestra herramienta es que podemos agregar otra categoría, a la que podemos llamar Pieza faltante. Incluiremos esa categoría y entrenaremos el sistema para reconocerla a medida que avanzamos. Empecemos por recolectar algunas imágenes. Esta es como saben, nuestra mejor parte. Puedo moverla un poco alrededor de la imagen, accionar la cámara, y, como ven, sigue siendo una pieza aprobada. De modo que lo único que tengo que hacer es presionar el botón Aceptar y verán cómo aumenta la cantidad de imágenes que tengo. Lo que en verdad hemos hecho es entrenar esa imagen. Lo que notarán es que tenemos este anillo verde alrededor de un círculo amarillo. El círculo amarillo indica la categoría prevista y el anillo verde, es el nivel de confianza o precisión de esa predicción. En este caso, dado que solamente entrené está función, el nivel de certeza es del 100 %.

Ahora, pongamos algunas piezas defectuosas con el sello roto, encendamos la cámara y veamos qué sucede si todavía no la hemos entrenado para reconocer piezas defectuosas. La herramienta tiene dificultades para predecir a qué tipo de categoría pertenece la pieza y no puede decir con certeza si pertenece a algunas de las categorías que tenemos hasta el momento. Después de empezar a entrenar el sistema, verán que el grado de precisión se dispara hasta el 88%. Para terminar, veremos la categoría Pieza faltante, que es bastante sencilla. Tomemos una imagen del entrenamiento de la categoría Pieza faltante. Me parece que está bastante bien. Quisiera mencionar la métrica de bienestar del modelo aquí en la parte de abajo. Utilizamos esta métrica de bienestar del modelo para decidir en qué momento nuestra aplicación esta lista para su implementación. Como regla general para saber dónde implementar nuestra aplicación es buena idea tomar como referencia más del 80 % y en proceso de estabilización a medida que agregamos más imágenes. Quisiera agregar algunas imágenes, así que voy a entrar en esta ventana de edición de clases. En realidad, lo que hice fue recolectar una muestra de imágenes antes para poder importarlas en la herramienta. Selecciono la carpeta. Bien. Lo que tenemos ahora en la herramienta es un conjunto de 10 imágenes, y ahora ven que en cada una de ellas hay una predicción con un anillo verde. Seleccionémoslas todas. Etiquetar todas las imágenes al mismo tiempo es muy sencillo. Lo único que tengo que hacer es un clic y arrastrar las imágenes a la categoría en las que queremos entrenarlas. Parece que están todas bien. Nuevamente, lo único que tenemos que hacer es seleccionar todas las imágenes y hacer clic y arrastrarlas a la categoría deseada. Salgamos ahora de la ventana de edición de categorías. Como pueden ver, el bienestar de nuestro modelo llega ahora al 99 % de funcionalidad. Hemos entrenado ocho imágenes para la categoría Fallada, dos imágenes para la categoría Pieza faltante y nueve imágenes para la categoría Buena. Me parece que esta aplicación está lista para implementarse. Vamos a probarla. Primero voy a conectar el dispositivo en línea. En este momento no tenemos ninguna pieza bajo la cámara. Pongamos una pieza, apretemos el botón Aceptar y movamos la imagen. Como pueden ver, nuestro nivel de certeza es muy alto. Podemos girar la pieza y vemos que parece estar bien. Ahora pongamos ahí una pieza defectuosa, podemos rotar la pieza y moverla. Bien. Agreguemos también algunas variaciones. Vemos nuevamente que estamos haciendo una clasificación correcta de las piezas. Creo que se ve perfectamente.

Lo último que quiero mostrarles es cómo crear una pantalla HMI de tiempo de ejecución para usuarios que estén en la planta monitoreando este dispositivo. Vayamos al paso de HMI. Por suerte para nosotros, hay mucha información incluida como predeterminada con la que cualquier usuario quisiera contar. Tenemos la región de interés en donde estamos inspeccionando la pieza, la categoría prevista en la imagen misma y en este cuadro gris, pero digamos que el usuario quiere saber con qué nivel de certeza la herramienta hace su predicción. Lo único que tenemos que hacer es abrir este menú desplegable en donde tenemos esta serie de propiedades de la herramienta, como por ejemplo, puntaje de la categoría prevista, que es el porcentaje. Podemos agregar esa propiedad a nuestra pantalla, y volver a conectarnos mostrando la parte en buen estado. Ahora hemos agregado también nuestro puntaje de certeza para la categoría prevista. En este caso, Defectuosa. Bien. Creo que eso es todo respecto de cómo configurar la pantalla de HMI.

Para repasar el tutorial de hoy. Primero conectamos nuestro dispositivo y el paquete de software In-sight Vision. A continuación, configuramos nuestra imagen en tan sólo dos clics. Activamos nuestra herramienta de clasificación ViDi El y creamos tres categorías, Buena, Defectuosa y Pieza faltante. Tomamos múltiples imágenes de cada tipo de pieza y las asignamos a una de nuestras categorías. Una vez que la funcionalidad de nuestro modelo estaba por encima del 80 % y era estable, revisamos nuestro trabajo para asegurarnos de haber clasificado bien las piezas.